在线无人监考防作弊新技术探索

李沛秦， 陈 浩， 熊 伟， 谢剑斌， 闫 玮

(国防科技大学 电子科学学院，湖南 长沙 410073)

0 引言

人类社会迈入21世纪，以多媒体和国际互联网为代表的现代信息技术，正以惊人的速度改变着人们的生活方式和学习方式。网络教育通过网络进行教学活动,这样的教育手段打破了传统教师教学的时间以及地点的限制,网络教育独有的快捷以及交互性强等特点受到了广大教师、学生的一致好评；其而灵活的、开放的架构有利于数据共享，因此网络教育在全球范围内都受到了极高的关注,在研究和应用等方面发展十分迅速[1][2]。特别是近年来随着移动互联网的兴起，以MOOC (Massive Open Online Course) 为代表的在线教育平台如雨后春笋般迅速发展，智能手机、平板电脑、笔记本电脑等移动学习终端大量普及，互联网、5G通信技术等带来了更快的传输速率，使得在线直播教学受到了前所未有的广泛关注。

远程网络教育比传统模式更灵活、更能体现学习主体地位，也方便组织远程考试，这对于位置偏远的学生或考生，有着非常重要的现实意义。尤其是今年全球普遍出现新冠状病毒肺炎疫情，为了防控疫情传播，今年上半年我国大学生群体全程通过居家网络课程进行学习。无人监考是远程网络教育中用于评价学习效果的重要环节，必须确保其安全性、公正性。现有远程网络教育系统在人员身份验证、学习过程监督、考试过程监控等方面存在安全隐患和管控漏洞。为切实推动网络教育发展，国防科技大学电子科学学院“人工智能与模式识别”课程教学团队针对生物特征活体鉴别、面部特征识别、考试过程中的异常作弊行为检测等关键技术开展了探索，力求从技术层面确保真学真考。

1 无人监考特点

网络教育具有鲜明时代性，在保留书本阅读、离线教学等传统学习方式的前提下，强调依托信息网络平台开展在线学习与考试。积极运用“网络+教育”的理念方法，逐步实现多样化教育、个性化学习、智能化服务、精细化管理。与传统教育模式相比，网络教育主要依靠远程在线学习、在线考试完成教育过程，具有方便灵活、节省资源等优点，也有助于发挥个人主观能动性。但部分单位、人员由于工作任务重等原因，在缺少传统教育模式中专人监督、考核的前提下，参加网络无人监考可能在身份验证、考试质量等方面存在替学、替考等问题。需要通过技术手段加以辅助，以消除漏洞，确保网络教育落到实处。

大学MOOC以及大量的其它各种终身教育、非学历教育等课程，普遍存在既要方便远程考试，又要加强考试监管的问题。现有网络教育的考试模式主要有集中笔试、集中机考、集中网考、分散网考共四类，如表1所示：

表1 学习、考试模式分析

传统的高校集中教育考试模式具有固定性的特征,需要在特定的地点用纸质闭卷考试的方法考查学习者的完成情况,这对于非本校学习者来说存在很大的不便,特别对已工作的社会学生会出现较为突出的工学矛盾问题。工学矛盾的产生不仅要学习者的学习压力和质量大幅降低,还会阻碍潜在学习者接受网络教育的热情。为了改变这样的现状,高校网络教育考试模式要在“互联网+”技术支持上进行大力的创新和改革,打造网络化的考试平台。

就“随时异课”和“分散网考”的现状来看，目前缺少智能无人化监管，远程教育体系尚不能充分保障考试安全。随着人工智能、视觉计算新技术的发展，人脸识别、目标跟踪、音视频数据分析等新方法为加强远程教育中的学习质量、考试安全提供了技术保障。新型信息技术的应用，可以使网络教育进一步完善，更加受到广大学习者的欢迎。

2 关键技术

2.1 融合式人脸活体快速检测

相对于传统的密码登陆方式，人脸识别是一种安全等级较高、且使用便捷的认证方式，在安全防范领域得到广泛应用。然而，现有人脸认证系统可通过照片、图片、视频等非活体生物样本攻破。在无人监考系统中，我们采用融合式人脸活体检测方法：

首先定位人脸Landmark关键点[3]，其位置和序号如图1所示。

图1 人脸关键点位置及序号

以人脸关键点为中心，适宜的窗口划分对应的块并计算其LBP直方图，将所有块的直方图连接起来构成特征向量。分别针对活体人脸样本和假体人脸样本提取上述特征向量，通过深度网络进行训练和分类，实现活体人脸检测。与基于结构光的方法[4]相比，该方法不需要增加额外的特种光源。实测该方法达到了基本实时的处理速度，在相对稳定的光照环境下准确率超过99%，可以检测出照片、打印纸、视频、面具等假体人脸攻击。

2.2 综合全局和局部特征的跨年代人脸鲁棒识别

人脸识别已经过几十年的发展，并且近年来借助深度学习在若干数据集上已获得令人瞩目的进展[5]。但在无人监考应用中，通常注册人脸和现场比对人脸存在因年龄差异造成的变化，从而导致识别率下降[6]。

本课题以人脸局部部件的特异性作为研究对象，首先从视频图像中检测人脸并基于面部关键点实现配准；然后提取左右眉、左右眼、鼻子、嘴唇这6个局部部件，外加全脸共7个面部部件，针对每一部件训练其对应的卷积神经网络；在进行人脸比对时，将待处理人脸部件图像输入对应CNN，输出7个部件各自所属类别，然后综合各部件特征，考察目标人脸与模板人脸的相似程度，实现定量计算。方法框架如图2所示。

图2 基于五官特异性的跨年代人脸识别

该方法融合了局部特征和全局特征，增强了对人脸因年龄变化造成差异的适应性[7]。

2.3 基于改进CSSD的作弊行为检测

在无人监考过程中，针对偷看手机、纸条、书本等非允许物品进行检测，可有效发现夹带、抄袭等作弊行为。近年来，卷积神经网络已经以多种方式被用于目标检测。但现有算法存在的不足是对小目标和遮挡问题不够鲁棒[8]，难以直接应用于无人监考领域。

我们首先构建如下检测场景(不要求绝对按照此场景安装采集设备，仅作为示例展示顶视拍摄效果，只要提供此视角监控画面即可)，如图3所示。

图3 作弊行为检测场景

然后基于卷积神经网络，使用改进的DenseNet加深网络结构，提高网络的特征提取能力。并且通过反卷积和下采样单元构建了一个环形特征金字塔，将其命名为环形单次检测器CSSD(Cycle Single Shot Detector)[9]。环形特征金字塔可以充分利用各层之间的信息准确预测行为检测框，最终使算法在遮挡情况下和检测小目标方面表现良好，能准确检测出学习、考试场景中出现的手机、书本、纸条等目标，结合实际规则可有效发现夹带、抄袭等作弊行为。

3 结语

教育模式变革推动采用先进的网络信息技术，在全国各种类型的学校、企事业单位建设涵盖“教育、学习、考试、交流、管理”为一体的网络教育新平台。通过跨年代人脸比对确保学习考试人员身份；通过活体检测杜绝使用照片、图片等伪造人脸替考；通过场景中的目标检测避免夹带、抄袭等作弊行为；结合行为检测与跟踪等多项视觉计算新技术，有助于为建设和管控网络教学、无人监考提供技术支撑，达到实时监测、自动预警、智能管控、精确决策支持等目的。基于上述新技术可以实现学习考试要素数字化、设施设备智能化、信息资源网络化和日常管理可视化，有效提升网络考试安全等级，推动网络教育改革顺利开展。